《KSCE Journal of Civil Engineering》：Dynamic response prediction of vehicle-bridge interaction system using physics-informed neural operator
编辑推荐：
本文提出了一种物理信息神经算子框架，称为物理信息神经算子-车-桥相互作用（PINO-VBI），用于高效预测车-桥相互作用（VBI）系统的动力响应。数值验证聚焦于受控低速VBI工况，车辆速度范围为4至8 m/s。该模型将分支傅里叶神经算子（BFNO）与物理信息损
本文提出了一种物理信息神经算子框架，称为物理信息神经算子-车-桥相互作用（PINO-VBI），用于高效预测车-桥相互作用（VBI）系统的动力响应。数值验证聚焦于受控低速VBI工况，车辆速度范围为4至8 m/s。该模型将分支傅里叶神经算子（BFNO）与物理信息损失项相结合，以适应车辆子系统之间的频率异质性，并在训练过程中融入控制微分方程。为解决各子系统响应特征的差异，研究开发了双分支BFNO架构，允许针对不同频率分量灵活分配傅里叶模态和超参数。网络使用由VBI仿真生成的合成数据集进行训练，其中包含车速、系统参数和随机路面激励的变化。研究开展了全面的超参数研究，以评估预测性能对模型架构的敏感性。此外，系统分析了嵌入不同类型物理约束（包括方程残差、速度约束和加速度约束）的影响。对比实验表明，所提出的PINO-VBI优于基于标准FNO的PINO模型，尤其在准确捕捉对乘坐舒适性和结构安全评估至关重要的速度和加速度响应方面。本研究凸显了将物理信息学习与频率感知神经算子相结合以建模VBI系统的优势，并为桥梁健康监测和动力安全评估中的高效代理仿真及未来数字孪生应用提供了方法论基础。
车-桥相互作用（vehicle-bridge interaction, VBI）系统动力响应受车速、结构刚度、阻尼及路面粗糙度等多因素耦合影响，是桥梁安全评估、设计优化和健康监测的关键。传统有限元、模态叠加和时域积分方法虽在工程中广泛使用，但在在线评估、实时控制和随机模拟等场景下计算成本过高；现有机器学习代理模型多为黑箱回归，难以泛化至参数变化的偏微分方程（partial differential equation, PDE）族。尽管算子学习如傅里叶神经算子
